2025年医疗人工智能产业报告-

1前言从深度学习到大语言模型，

AI的广泛应用已经改变了不少前沿公司的收入结构，

成为驱动创新的重要生产力。然而，医疗领域似乎与之绝缘

。底层技术几经变革，上千家企业前赴后继，依然无人能够实现规模化盈利。医疗领域是否真正存在AI需求？

数据

、算力

、算法哪个出了问题？

短期

、长期如何发展？商业化突破的关键点又在哪里？本篇报告中，我们筛选了

10个医疗AI规模落地、落地风格各异的科室，访谈30+医生、40+企业进行深度调研，

从医院

、

医生

、患者三个角度出发，

逐一分析科室环境下AI

的应用方式、商业化情况及未来发展趋势

。以在迷雾之中觅得微光，

为破局提供依据。医疗人工智能价值几何？2024年中国医疗人工智能解决方案市场共计164亿元。作为变革时代生产方式的关键技术，

即便各行各业因为经济周期的压力而出现回调时，

医疗AI始终维持着高增速发展。据弗若斯特萨利文测算，医疗AI核心的解决方案市场预计将于2030年扩大至353亿元，CAGR为13.63%。未来五年，

医疗AI市场规模的影响要素包括：

医疗AI的应用范围、

医院对于AI的购置意愿、AI的审评审批成本、

医疗数据的获取难度

、行业管线产品竞争格局等。医生参与，政策兜底，医疗人工智能未来五年可能小规模盈利。“先有人工，后有智能”，医疗AI发展前期存在缺乏成规模标准化医疗数据、治理后数据复用率低、

医工融合人才缺失、医院支付观念滞后等问题，因而训练成本居高不下、部分智能解决方案泛化性差、应用价值有限、部分医院不愿为AI单独付费，AI企业走了不少弯路。但伴随医院对于AI认知的加深，医生主动参与AI研发频率增加、多项政策推进医疗AI落地、大模型对于数据治理的提效等，

医疗AI企业有望在未来五年内控制成本，

实现小规模的盈利。临床数据获取难度下降，成本控制推动应用场景与产品效果方面实现双向突破。自国家数据局成立之后，医疗健康数据的资产化进程加快，交易所内已发生多次健康数据交易。若能突破数据这一关键难题，

实现规模化的数据交易，

医疗AI研发中的最大成本项有望大幅下降，进而推进智能应用的产出与效果由量变向质变转移。医疗人工智能赋能主体存在矛盾，大规模商业化能力仍然存疑。对于绝大部分医疗器械而言，量化它的价值可以从疗效、效率、费用等角度精准测量卫生经济学价值。但现阶段医疗AI为各个主体带来的价值并不一致。例如：某科室在引入AI后对流程进行了优化，能够将原先需要其他科室协同的项目置于自身科室进行，进而减少患者治疗时间与医疗花费，但对于科室自身而言，

可能会因为DRG的存在减少科室收入（原本需要两个科室协助的方案转变为单一科室执行）

，科室与患者对于AI的需求存在矛盾。也就是说，

当AI的能力已经满足医疗要求，价值矛盾的普遍存在是当前这一技术无法规模商业化的主要原因。目录第一章：

医疗人工智能，

困在价值分歧里

.......................................................................................

11.1“资本+政策+医生”三向驱动，

3年内医疗AI仍将维持高速发展

.......................................11.2

价值分歧深陷：

难以平衡的患者疗效与科室效益

.................................................................

4第二章：

临床专科人工智能：

患者获益显著，若无政策支持，

需在院外场景探索支付方

.....................................................................72.1

胸外科：

发迹于诊断，

深根于治疗

.............................................................................................

72.2

心内科：

后发先至，

器械销售开启AI商业化新路径

........................................................

132.3骨科：

高度契合机器人应用，

率先实现AI规模化落地

.....................................................192.4

神外科：

聚焦治疗，

人工智能重塑精细手术

........................................................................

252.5内分泌科：

盘活慢病管理，

全周期赋能衍生海量健康数据价值

...................................302.6临床AI科室的商业化需要转变思维

.........................................................................................33第三章：临床支撑人工智能：

医技落地模式成熟，

信息需与系统深度融合

....................363.1医技科-影像科：

人工智能赋能最全面的科室

......................................................................363.2医技科-放疗科：

寻求疗效最大化与损伤最小化的智慧飞跃

..........................................393.3医技科-病理科：

大模型或能重新定义病理能力

.................................................................443.4医技科-检验科：

多模态大模型实现效率质变

......................................................................503.5管理支撑－信息科：

融入系统，

不以效益为核心目的

.....................................................

523.6

基层医疗：

商业化模型转向，

政策驱动向用户驱动迁移

.................................................58第四章

数据资产化：

暗藏医疗AI可持续增长的破局路径

.....................................................644.1医疗数据治理的智能化迭代

.........................................................................................................654.2医疗数据的复用

................................................................................................................................

674.3

伦理问题下的挑战与机遇

.............................................................................................................

72第五章企业案例

.....................................................................................................................................745.1

深睿医疗：

以多模态大模型构建临床全栈智能生态

..........................................................745.2

东软集团：

以AI驱动医疗数智化转型，

引领行业价值落地

..........................................

755.3

京东健康：

底层大模型升级，

京医千询2.0深入循证专病场景

...................................775.4

水木金昇：

AI助力医疗器械科研转化，

解决产业化难题

................................................785.5

悦唯医疗：

洞悉临床需求，

打造首款SYNTAX智能评分系统

......................................

805.6

联影智能：

打造新一代原生A

I

PACS

.......................................................................................815.7

讯飞医疗：

率先将医疗大模型引入专科领域，

联合安贞推出心血管大模型

...........825.8北电数智：

AI

驱动医疗数智化新范式

....................................................................................

845.9

伽奈维医疗：

以AI赋能肿瘤微创，

已实现规模化商业落地

..........................................865.10

西门子医疗-全球资源助力，AI影像深耕疾病诊疗一体化

...........................................87图表目录图表12025

年上半年医院参与开发的专科大模型

...................................................................2图表

2人工智能在医疗领域细分场景应用全景

.........................................................................3图表3胸外科门诊情况及人工智能分布

.......................................................................................7

图表4AI穿刺的价值

............................................................................................................................

9图表5AI-3D建模工具与传统2D建模工具在耗时与准确率上的对比

..........................11

图表6

胸外科各环节AI服务商

......................................................................................................

12

图表7

心内科工作全流程

.................................................................................................................

14图表

8介入治疗场景中的人工智能应用对比

............................................................................17图表9

心内科各应用场景AI服务商

............................................................................................17图表10骨科常见疾病类型及治疗方案

.......................................................................................

19图表11骨科临床医生日常工作拆分

............................................................................................20图表12骨科医生主要工作环节的难度及耗时程度

................................................................20图表13骨科应用场景AI产品服务商图谱

................................................................................23图表14骨科各AI产品价值量化情况

..........................................................................................24图表15

骨科在疾病治疗板块的热门应用对多方的价值分析

.............................................25图表16神经外科常见疾病分类

.....................................................................................................

26图表17神外疾病治疗板块的部分AI应用

................................................................................27图表18神经外科各AI产品价值量化情况

................................................................................28图表19神经外科应用场景AI产品服务商图谱

.......................................................................

29图表20内分泌科常见就诊疾病及就诊量占比

.........................................................................

30图表

21AI在糖尿病管理的各环节中的应用与价值

...............................................................31图表

22内分泌科场景中数字化慢病管理服务商

....................................................................

32图表

23企业获第三类医疗器械注册证的影像科辅助诊断应用分布情况

......................38

图表24

放疗科工作全流程

..............................................................................................................

40图表25基于大模型的在线ART算法

..........................................................................................

42

图表26

放疗科AI应用服务商

........................................................................................................42图表27病理科各项检验的对比

.....................................................................................................

44图表28病理科医生工作内容及耗时占比

..................................................................................

45图表

29病理检验制片各环节中的自动化与AI应用现状

....................................................

46图表30病理科AI辅助诊断软件服务商

.....................................................................................

46图表

31病理数字化场景应用的产品获证情况

.........................................................................

47图表32

判别式和生成式AI

的对比

..............................................................................................48图表

33该研究团队自研大模型展示基因突变空间分布

......................................................

49图表34检验科各类检验的对比

.....................................................................................................

50图表35检验科应用场景AI产品服务商

.....................................................................................

50图表

36检验科各类型检验的自动化和AI应用情况对比

....................................................51图表

372011—2024年高等级电子病历评级通过趋势

........................................................55图表38与评级相关的人工智能指标汇总

..................................................................................

56

图表39

基层医疗需求拆解

..............................................................................................................59图表40

基层场景AI应用服务商

...................................................................................................

60

图表41

数据集建设难点

...................................................................................................................

64

图表42

数据要素的重要性

..............................................................................................................

65图表

43以东软飞标医学影像标注平台为例的医学影像标准平台解决方案

.................66图表

44部分上架线上交易所的健康数据交易标的

................................................................68图表45医保行业的可信数据空间

................................................................................................

70图表

46北芯数智红湖医疗可信数据空间架构

.........................................................................

71图表

47

深睿医疗智慧医院新生态

................................................................................................

75图表

48东软添翼医疗健康智能化全系解决方案2.0架构

..................................................76

图表49

京医千询2.0升级详情

......................................................................................................77图表50水木金昇合规SaaS服务平台界面

...............................................................................

79图表51悦唯医疗产品矩阵，

打造重症冠心病整体解决方案

.............................................80

图表52

联影智能A

I

PACS

...............................................................................................................

82图表53讯飞医疗星火医疗大模型能力平台

..............................................................................83图表54

北电数智AI

医疗解决方案

..............................................................................................85图表55伽奈维牵星®GNV-F1CT介入手术导航定位系统及各类诊疗方案

..................87图表56

西门子医疗影像后处理平台syngo.via

.......................................................................

88第一章：医疗人工智能，

困在价值分歧里当各行各业因为经济周期的压力而出现回调时，

医疗AI行业在未有企业实现规模化盈利的情况下，

仍维持着高增速发展。最新市场调研数据显示，

2024年中国解决方案市场共计

164亿元，预期于2030年扩大至353亿元，

CAGR高达13.63%。庞大且增长的市场不仅吸引了更多创业者，

亦将带动大量医生进入AI的科学研究与产品研发，

当前的医疗AI

已不是某个单一学科的造物，

而是计算机、工业与医学的深度融合。此趋势下，我们围绕AI的技术演化与商业化落地进行分析，从宏观角度洞察2025年两个方向下AI的变化，

为后续的科室价值探讨做好基础。1.1“资本+政策+医生”三向驱动，

3年内医疗AI仍将维持高速发展聚焦2025年，医疗AI最显著的变化可归纳于两个要点：大模型的突破式演变与医疗机构的规模化参与。早在2023年年中时医疗信息化领域已开始出现100b以内的医疗基础模型，并衍生出大量智能体。它们既对CDSS、智能问导诊等应用升级，又开辟了如智能化药品说明书、智能候诊等创新应用。那时医院普遍缺乏GPU，若要全院部署需采购近千万的算力设备，固定资产投入及运营投入耗资极大，因而大模型及相关垂直应用主要落地于头部三甲医院。在未能明确大模型价值之前，

只有实力雄厚头部医院才能承担风险。直至年初DeepSeek发布的DeepSeek-R1才改变这一现状。参数高效微调（

PEFT）

、混合专家架构（

MoE）等创新设计支持下，

DeepSeek成功降低了大模型的入场门槛；国产基础模型突围的声势，

则让医院管理者们开始主动部署基础设施。动脉智库统计数据显示：截至2025年5月，第三方榜单中国内排名前100的医院已全部完善大模型部署，有38家医院在通用模型的基础上进一步展开研发，打造出55个符合自身需求的垂直医疗模型，其中22个为专科模型。此外，医生对于大模型的实操热情也远超传统AI，以至于当深圳市卫健委开始限制医院自行算力采购（算力集中采购，避免单个医院过量采购造成算力浪费），

医院不愿意数据出院时，部分医生仍通过申请科研的方式绕过政策算力采购，坚持借助大模型进行临1资料来源：

公开信息需要注意的是，

非Transformer架构AI同样在临床中的应用愈发深入

。过去它们集中落地于医技科、信息科等科室，赋能问诊、检查、随访环节，近年来手术机器人的崛起床科研探索。图表12025年上半年医院参与开发的专科大模型2展望下一阶段，政策对于AI的推进力度正在逐步加大。审评审批方面，2025年3月31日，国家药监局发布了《关于优化全生命周期监管支持高端医疗器械创新发展的举措（征求意见稿）》，公开征求多病种AI、大模型等新兴技术准入方式的意见，先行一步为大模型的发展树立道标。文件提到要研究制定多病种、大模型领域相关技术指导原则或者审评要点；简化核心算法不变而算法性能优化人工智能医疗器械产品变更注册要求；探索完善采用测评数据库开展人工智能医疗器械性能评价要求。应用落地方面，

国家已多次发文推动医疗AI发展

。2025年11月4

日，

国家卫生健康委等五部门联合再发《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》

，共提出了24个重点应用建设方向，

要求到2027年建立一批卫生健康行业高质量数据集和可信数据空间，形成一批临床专病专科垂直大模型和智能体应用，基层诊疗智能辅助、临床专科专病诊疗智能辅助决策和患者就诊智能服务在医疗卫生机构广泛应用，基本建成一批医疗卫生领域国家人工智能应用中试基地，打造更多高价值应用场景，带动健康产业高质量发展。以上政策的出台进一步明晰了医疗AI的发展路径。总的来说，

现阶段的医疗AI享受到了资本、政策、

医生协同的红利，但要将这些资源转化为源源不断的价值，

医疗AI还需进一步压低研发成本（第四章拆解），

并解决好医疗AI的“价值分歧”（第二、三章拆解）

，在商业模式/支付方上进行创新。后，

大量应用开始出现在治疗场景。公开资料显示，胸外科、神经外科、心内科、骨科等涉及手术的科室均已有大量辅助治疗型AI可供选择。本次调研中，超过90%使用过相关AI的医生都给予了正向反馈，证实AI能够提升手术精准度，

显著降低并发症发生概率。图表

2

人工智能在医疗领域细分场景应用全景31.2

价值分歧深陷：

难以平衡的患者疗效与科室效益尽管AI在多方协力之下发展迅速，但作为独立产品形态出现的AI器械/软件始终难以在商业化破局。归根结底，

医疗AI在不同部署环境产生的价值不一致，

医院很难精准核算效益，

一定程度上阻碍了医疗AI的商业化。此外，

应用AI产生的诊疗效益未必能转化为医院价值。大多数情况下，只有在符合管理者利益的情况下才会配置AI，因而部分服务于医生、患者的智能应用可能会在采购中被忽视。l

短期：

医院和医生利益大部分不一致1.

考虑科室容量（态度中立，

下同）：

出现患者排队时（主要出现在影像科），

对于单一环节的优化理论上能够对整体带来效率提升，帮助医生收治更多患者；未出现排队时

，科室引入AI后

，患者数量不会变化，

医生工作更轻松，但AI对于医生效率的提升不会在短期内带来效益。2.

考虑应用功能（反向）：

医院以评级为目的采购AI，

可能忽视应用能力

、互操作性等因素，

而这些因素与医生的使用体验紧密相关。3.

考虑模型自主学习（反向）：

医院希望医生能够整理诊疗过程中产生的数据，

实现院内的模型的自主学习；

将自身能力给予AI不符合医生短期利益，

部分医生反感借助自身数据训练模型。l

长期：

医院和医生利益大部分一致1.

科室方面（一致），

更好的手术质量将为医院带来更多的名望，

吸引更多患者前往治疗，

可能同时提升科室效益与医生收入。2.

科研方面（一致）：

AI节约下来的时间推进医生进行更多科教工作，

可提升医生个人影响力及医院整体科研实力。3.自主学习（中立）：

模型学习医生习惯后可在医生再次使用时进行个性化设置（尤其是在手术操作方面）

，同时提高手术效益及手术效率，进而转化为科室效益。但对于资深医生而言，

将自己积累的经验无偿整合成AI能力，

提升了科室能力，却降低了自身竞争力，

不符合资深医生利益，

因而部分医生不愿将其相关数据用作AI模型训练。4.

考虑成本（反向）：

AI的规模化使用可能降低医院对医生数量的需求，

对医生工资或岗位进行降裁。l

患者方面：

患者与科室利益可能不一致41.

患者体验（一致）

：AI可对疗效与手术进行优化，

为患者带来更好的预后，在DRG支付下提升结余，进而提升医生及科室收入。2.

患者支付（反向）：

部分流程优化降低了患者的治疗时间及治疗花费，

但可能因为改变了编码、减少了科室协助而降低了科室收入。从上述分析可以看出，

配置AI后的短期时间中医院和医生大部分情况下利益不一致，短期部署利于医生不利于医院，且投资回收期难以估量。在当前经济环境下医院普遍现金流紧张，管理者倾向于控制风险，投资回收期短的创新技术，

因而能够接受AI落地，但难以为其支付费用。至于长期效益，实际调研结果：2020年—2021年开始在临床科室部署专科AI的医院，已有部分实现了科室效率、就诊人数的双向提升，

医生诊疗流程与AI应用深度融合。不过，不同科室短期、长期内的效益计量各不相同，受宏观政策、医院硬件、管理者观念

、AI能力界限、AI支付方等因素影响较大，

需要独立考察。在下一章中，

我们将深入科室，

逐一分析具体临床环境下的AI应用与商业化进展，

与临床医生一起探讨医疗AI的商业化解法。5第二章：临床专科人工智能：患者获益显著，若无政策支持，需在院外场景探索支付方在整个医疗AI生态中，

临床专科类AI的起步晚但发展快，

不到五年时间已遍布各个科室各个环节。后发格局下，

专科AI天生内置医生思维，

能够融入已有诊疗流程，

有能力对流程进行优化，

进而有效提升诊疗效益。因此，在2020年—2025年，

临床专科类AI相关论文呈爆发之势，每年均有国内大量科研成果进入顶级期刊。不过，科研的成功不等价于商业化的成功，AI为患者带来的价值不等价于为科室带来的价值。价值输出的分歧，使得很多医院热衷使用AI，但不愿购买AI。平衡不同主体之间的价值分配是医疗AI商业化的必经之路

。本次调研中，

我们选取了胸外科

、心内科

、神经外科

、

骨科

、

内分泌科五个AI应用广泛、商业模式具有代表性的科室进行分析，

尝试在梳理AI应用的同时，寻找化解商业化困境的可能路径。2.1

胸外科：

发迹于诊断，

深根于治疗作为三级医院患者诊疗量偏大，临床压力及工作强度偏高的科室，胸外科天然存在医疗AI的需求，

用以提升科室运行效率与诊疗，

降低医生日常过程中的冗余诊疗。同时，胸外科诊疗过程中产生的数据易于标准化，

尤其是在肺外科中，

CT、DR等肺部影像数据非常适合于深度学习训练，

因而成为医疗AI最早赋能的场景之一。图表

3

胸外科门诊情况及人工智能分布资料来源：调研访谈7发展至今，胸外科的AI工具已从最初的肺结节辅助诊断系统到如今的全肺AI解决方案，该科室的AI完成了从“单病种”到“多病种”的跨越，由单一诊断环节智能化拓宽为全流程智慧赋能。这些AI共同组成一个创造了巨大临床价值的体系，

能够极大改善优化科室效率，

改善患者生存状态和生活质量，承接了海量刚性的真实需求。本篇报告之所以选择从胸外科出发测算医疗AI的实际价值，是因为胸外科AI的生态化之路已成为一种AI赋能科室的范式。在后续外科科室的数智化赋能之中，

我们都能或多或少地瞥见胸外科模式的身影。2.1.1

胸外科人工智能应用分布调研显示，

国内三级医院胸外科使用频率较高的AI集中于辅助诊断、辅助穿刺、手术规划、术中导航方面，

尤其以肺外科最为成熟。l

辅助诊断在肺外科中，肺结节辅助诊断能够帮助肺外科医生快速识别、测量、归类患者影像中出现的每一个结节，并给出风险系数予以参考，提升胸外科医生的诊断效率、诊断精度。这一技术最初落地时曾有部分胸外科医生质疑，他们认为：AI标出了大量微小肺结节，这些结节缺乏明确的临床诊断价值和直接的恶性风险判断价值，只是增加了医生的判别工作。若置于短期中，部分医生尚未将AI有效融入工作流中，

的确会因为引入AI延长诊断时间。但在习惯AI赋能，

形成高效的“人机协同”后模式，

医生诊断效率将大幅下降。调研及相关论文数据显示，在基于低于100层CT影像样本的人机对照实验中，

医生独立判别肺结节需要耗时5～

10分钟，在人机协作模式下耗时为1.6～2.2分钟，

理论上可缩短2.8～8.4分钟，效率提升范围为56%～84%。当CT层数增加，效率提升比率还有进一步增长的空间。以东北某三甲医院为例，该院肺外科医生每日需从头至尾翻阅60组患者影像，

阅片速度慢且容易漏诊。AI赋能后，平均每日会筛出数个需要特别关注的影像（该医院通常为5—6个），

部分医生详看标注影像，

略看非标注影像，

提升整体诊断效率约73%。该系统上线约4年时间，

加上术中AI的赋能，该科室门诊量已提升约40%。长期方面，

CT在时间分辨率、空间分辨率上必然不断精进，导致胸外科医生必然需要处理更高分辨率、更多层数的影像数据，

判别更多的微小可疑病灶，

因而对于AI的需8求日益强烈。目前，《CT三维重建在早期微小肺结节鉴别诊断中的应用》《Enhancingthedifferential

diagnosisofsmall

pulmonary

nodules:Acomprehensive

model

integrating

plasma

methylation,

proteinbiomarkersand

LDCTimagingfeatures》

等收录于顶级期刊的论文也尝试在微小结节中找到新的诊断指征，

已取得一定研究成果。若相关成果的价值被广泛应用于临床中，AI辅助诊断系统的价值将进一步扩大。毕竟在处理更高层数更高分辨率的影像上，AI的效率与精度上要明显优于人类医生。l

辅助穿刺肺小结节术前辅助定位技术中国专家共识（2025版）认为：

传统经皮肺穿刺定位由医生在二维CT图像上测定穿刺针进针深度和进针角度后进行徒手穿刺，

此操作过程易受到医生操作手法和操作经验的影响。相比之下，通过计算机三维重建胸部结构以及结节位置，

能更好地协助医生选择穿刺位置、角度以及深度，并且利用3D打印技术制造个体化的穿刺路径固定装置，依照患者体表标志固定于胸壁，进一步辅助操作者进行更精准、安全且迅速的穿刺定位。以AI融合3D打印技术，可在重建阶段提高三维重建的效率与精度，在手术阶段进一步精准经皮肺穿刺定位，

两个阶段均可为患者带来直接的诊疗价值。重建阶段的价值创造主要体现在定位病灶方面。在进行CT扫描时，

可能因为病灶与周围组织接近、被重叠结构遮挡、本身显影模糊等因素导致后期建模出现误差，AI可在这一过程中起到“质控”和“修补”的作用，

提升建模的精度与建模速度，

为后续规划提供更准确的信息。手术阶段的价值创造主要体现在复杂手术规划与穿刺角度指导。复杂手术规划方面，年轻医生在处理风险较大的病灶（如贴近血管的病灶）时容易发生失误，AI可以对穿刺路径进行优化，降低医生的穿刺风险。穿刺角度方面，

医生要在立体人体中，精准复刻二维影像上的“虚拟角度”，还要应对呼吸、体位等动态干扰，很难快速找到有效的穿刺角度，AI可以帮助医生实时判断穿刺角度是否符合手术要求。图表

4AI穿刺的价值9资料来源：

公开信息、调研访谈目前从事“AI+穿刺”的人工智能企业中，

伽奈维医疗在核心关键部件国产化做得较为突出，

自研七自由度穿刺机械臂，在执行中更符合穿刺手术的临床使用，同时更好地控制整机成本。此外，一般手术机器人需在患者体表贴光学标记辅助定位，但伽奈维医疗穿刺手术机器人可实现快速注册配准，术中病人无需光学标记。在不改变医生诊疗流程、手术习惯的前提下进行导航。有三甲医院数据显示：

使用伽奈维医疗的机器人组（

CR-NAV100）在调整不超过2次的定位成功率（76.5%vs.25.0%）、穿刺平均调整次数（1.62±1.71次vs.4.39±3.69次）、患者接受的CT扫描次数（5.47±2.59次

vs.8.39±4.69次）方面均显著优于传统人工穿刺方式组。截至2025年11月，使用CR-NAV100进行定位的案例中，其平均整体手术时间大幅缩短

，优化效率在同行业内位于第一梯队水平。总体评价，

CR-NAV100有效提升了手术质量与患者的体验。此外，人工智能的引入还降低了肺部穿刺手术的操作门槛，使得低年资胸外科借助普通CT（16排及以上）便能实现高质量的穿刺治疗。l

手术规划在辅助穿刺部分我们已经提到，二维CT作为主流术前评估工具，对于远端肺血管变异的显示较为有限，可能导致误判和错误切除，3D重建虽能提供直观空间信息，但因手工分割耗时而受限，在临床上使用率不足25%。AI的出现有望将“

自动化”引入肺部三维建模，解决效率问题，因而临床价值显著，尤其对肺结节手术方案的精准制定具有重要意义。从现有的应用看，AI不仅能够加速肺部三维重建，还能清晰呈现结节的位置与肺段、亚段的解剖关联，

进而帮助医生确定更精准的切除范围。若结节明确位于某一肺亚段内，那么仅需切除该亚段即可达到治疗目的；但如果结节处于三个肺段的交界区域，解剖位置相对复杂，

为确保完整切除病灶，

可能需要扩大切除范围至整个肺叶。总的来说，

以AI融合三维建模技术进行精准定位，

能让手术操作更具针对性，有效避免过度切除正常肺组织，最大程度保留患者的肺功能，从而为患者带来更大获益。2025年5月《

NatureCommunications》

收录的“Artificialintelligence

driven

3Dreconstructionforenhanced

lungsurgery

planning”纳入

140例来自多中心的肺叶/肺段切除患者，

由10名胸外科医师在AI-3D系统辅助下完成术前规划。结果显示：

人机10资料来源：“Artificial

intelligencedriven3D

reconstruction

forenhanced

lungsurgery

planning

”（非完整图片）哈尔滨医科大学附属第一医院亦有胸外科医生表示：

引入AI实现精准肺段切除后，患者的3年生存率提升了约20%，

并发症显著减少（顽固性咳嗽下降约40%、疼痛下降约20%、并发症下降约30%）。住院时间方面，该院引入AI前平均住院日为12天，现如今为5天，

提升效率约58.3%。由于该院擅长控制出血，

出血发生率一直降低，

因而下降并不明显，该医生认为：对于部分出血发生率较高的医院，AI

理论上也能降低这一并发症的发生概率。肺部之外，其他胸外科亚科室应用AI较少，

主要因为肺段本身就是树状结构，

重建模型准确度精度高。食管外科/普外科在早期食管癌诊断方面有企业研发了基于内镜的AI辅助诊断系统；纵隔外科在诊断和评估纵隔疾病方面有企业研发了基于深度学习的纵隔协同下解剖变异识别准确率提升8%，误差减少41%，规划时间缩短25%，操作选择准确率提升8%，

为AI+3D重建提供了I级证据。图表5AI-3D建模工具与传统2D建模工具在耗时与准确率上的对比11超声内镜导航系统。这两个亚科的AI应用类型及相关AI生成的临床数据较少，有望在未来进行规模化应用。l

术中导航手术机器人近年持续且高速地发展带动了术中导航AI应用。胸外科中胸腔镜术中较多，腔镜手术机器人使用比率较高。在这一场景中，AI可将术前三维模型与腔镜实时画面融合，

实现“虚实结合

”的影像导航手术。进入术中阶段后，算法识别腔镜画面中的血管、胆管、神经等关键结构，并在接近这些结构时发出预警，如提示淋巴结为钙化淋巴结，血管存在一定畸形等。在这一场景中，AI的价值主要在降低手术风险，降低并发症发生率等，提升患者的手术收益，

短期内为科室带来的价值较为有限。l

其他应用除了以AI赋能诊断胸外科医生以外，亦有研究者从患者需求出发间接提升科室运行效率。以复旦大学附属中山医院胸外科研发的“终节者”小程序为例，该应用分析用户上传的手机拍摄的检查报告，在

10秒内借助AI判断出结节的风险度，提示患者是“及时就医”还是“定期随访”。复旦大学附属中山医院胸外科一般接待约60名患者，其中真正需要干预的只有不到10人，很多需要治疗的患者很难及时挂上号。通过这种方式，AI能够为急于求证的患者给出权威的结果，缓解患者的不安与焦虑；同时也在这个过程中优化门诊资源分配，让有干预需求的肺结节患者尽快获得相应的治疗。大模型方面，蚂蚁AQ开发的王俊院士胸外科智能体能直接对接北京协和医院等合作医院的挂号通道，强化患者的触达，价值集中于提升患者体验，有望在后续打通医院信息系统，

最终实现问诊环节的优化。图表

6

胸外科各环节AI服务商122.1.2

胸外科人工智能的实际商业价值分析理论上讲，胸外科AI的商业价值取决于其为科室带来的经济价值。

目前胸外科AI表现分为三种模式：增效、提质、优化流程。其中，增效主要为科室带来价值，提质主要为患者带来价值，优化流程部分情况下为医生带来价值，

部分情况下为患者带来价值。在科室实际诊疗成本低于该DRG组付费标准的前提下，

提效模式对科室收益有一定影响，但影响幅度有限。这是因为科室经营效率提升在核心逻辑上符合木桶原理，即效率提升的上限由最薄弱的环节决定。即便问诊、手术环节能够提升超过50%，但术前检查过长、

医生排班不合理等情况都会影响最终效率的实现。提质模式对于患者价值提升比较明显，对于科室价值的提升视情况而定。当科室床位处于饱和状态时且诊疗成本低于该DRG组付费标准时，将平均住院日缩短能够增加科室获得的医保支付结余。但若床位有空余，AI的赋能仅能通过降低单病例成本（减少并发症，

降低再入院率）获得更多结余，存在价值但较为有限。优化流程模式相较于前两种模式常会因为具备极大的患者价值而实现更高综合价值（患者价值+科室价值），

但可能不利于DRG下的科室绩效考核。以后纵隔的神经纤维瘤为例，传统路径下胸外科医生会做胸部增强CT，明确肿瘤位置、大小、与血管（如主动脉、奇静脉）

、气管及椎间孔的关系。但若肿瘤入侵了椎间孔，则需加做胸部MRI，联合神经外科评估风险，患者总花费约5万元。AI三维重建技术成熟后，

部分AI能够借助CT影像重建重要神经，

直接判断切除风险。由于没有神经外科参与，患者总花费下降，

诊断流程随之缩短。但在DRG下，

传统诊疗路径涉及两个术式，能够分成两个部分报销，而新流程仅涉及一台手术，报销费用减少。此形势下，新流程有利于患者利益但不利于科室利益，相关AI在短期内难以实现它的价值，

一定程度削减了它的商业价值。但在长期之中，相关AI仍然保留价值质变的可能

，这一可能将与DRG的支付规则变化紧密联系。2.2

心内科：

后发先至，

器械销售开启AI商业化新路径心脏因其生理不可替代性、手术技术极致要求、风险控制超高门槛，被视作外科最后的堡垒。但古往今来，愈是因为挑战之艰辛，愈吸引医学的先驱前往探索，AI时代亦是如此。13十年发展，心脏已经从智能化应用的贫瘠地转变为医疗AI沃土，相关解决方案已覆盖从问诊、检查到治疗、随访的全流程。心脏相关AI之所以能够快速落地，

既有冠心病、高血压等大通量疾病提供支撑，

又赶上了全国心血管疾病管理能力评估与提升工程（

CDQI）

。国内三级医院规模参与六大中心建设，使得心电、CTA等AI得以迅速落地，

为心脏AI的发展提供了更多动力。当然，这一场景下的AI仍然存在其特有的问题，尤其是在商业化方面。本章沿用传统“心内科”的科室职能划分，重点关注涉及冠心病诊疗的智能化应用，探讨心脏AI的发展前景。2.2.1

心内科人工智能应用分布由于心内科数据密集、时效要求极高，

面对急性冠心病时AI能够加速数据生成，进而加速医生决策，落地最为广泛。面对慢性冠心病时，AI能辅助特定器械进行精准的形态学、功能学评估，使得患者在成本和治疗效果上实现双向显著获益。因此，心内科诊疗全流程都已具备相应的AI。图表

7

心内科工作全流程资料来源：调研访谈、公开信息l

基础检查心电图相关AI是心内科中应用最为广泛，落地场景最为丰富，产品化转化程度最高的14应用，相关研究文献数量位居所有心脏AI研究之首。目前，院外场景的可穿戴设备、便携式心电测量设备；院内专业医疗级的动态心电监测设备、植入式心脏监测设备，所有能够检测心电的设备，都或多或少地应用上AI。聚焦于心内科，我们可以通过拆解“心电一张网”解构冠心病的问诊、检查、治疗（部分）应用。简单来说，“心电一张网”本质是区域化心电远程诊断网络，核心价值在于整合区域内各级医院、社区卫生服务中心、诊所等医疗机构的心电图资源，实现心电数据互联互通与同质化诊断。其中，AI是“心电一张网

”高效运转的核心支撑，其价值集中体现在提升诊断效率、保障精准度、赋能基层、优化资源配置四大维度，

直接破解区域心电协同中的核心痛点。秒级响应。AI可在数据上传后数秒内完成心电图分析，

自动识别房颤、心梗、早搏等

30+种异常，

自动生成初步报告，替代传统人工15—30分钟的解读流程。急诊场景下，

AI还能优先标记

STEMI等危急病例，快速推送至专家端，将基层到诊断的时间从小时级压缩至分钟级，

为急救争取更多窗口时间。标准化解读。信息化赋能下的统一解读标准有效改善了AI的诊断能力，部分AI的诊断准确率达95%以上（房颤、心梗等关键病症识别率超

99%），

用于基层时可规避基层医生经验不足导致的误诊、漏诊。AI赋能下，无论患者在社区卫生服务中心还是偏远诊所

，都能获得与三甲医院一致的诊断依据，进而破解区域诊疗水平不均的难题。降低诊疗门槛。AI可自动标注异常波形、生成结构化报告，基层医生可直接参考反馈给患者，或一键申请专家复核，提升基层诊疗信心与服务能力。此模式下，基层医生无需具备高阶心电解读能力，

即可完成规范采集与初步筛查，

降低人力与培训成本。优化资源配置。AI可分流80%以上的常规/正常病例，

让三甲专家聚焦复杂、疑难病例的复核与会诊，避免优质资源被简单病例占用；可自动完成数据质控（如排除干扰波形、校验采集质量），减少无效数据传输与重复诊断，降低网络运营成本；可追踪患者长期心电数据，

为慢病管理提供趋势分析支持。医生调研反馈：

由于心电一张网串联了基层上传的患者信息，

结合AI分析，

问诊大概可以提高50%；

病历时间可缩短80%。准确率方面，

如果仅比较医生诊断与AI诊断，两者几乎没有统计学差异，但若采取“医生+人工智能”的模式，诊断准确率将明显提升，综合诊断准确率可超过95%以上。心超方面AI同样深度融合科室。15图像处理方面，AI

可实时引导探头定位，辅助非专业操作者获取标准切面，

同时通过智能降噪、图像优化技术消除干扰，提升图像清晰度，破解基层操作不规范、成像质量差的痛点。参数测量方面，AI能自动完成左心室射血分数、心肌应变等核心指标的量化分析，将传统手动测量的耗时从分钟级压缩至秒级，

且误差率低于

3%，保障数据客观性。辅助决策方面，AI可精准识别心力衰竭（含射血分数保留型心衰）、心肌病、瓣膜病（狭窄/反流分级）及先天性心脏病等，关键病症诊断准确率超95%，有效降低误诊漏诊风险。以讯飞医疗为例，其多模态大模型心脏超声智能报告系统已在北京安贞医院完成私有化部署并实现常态化应用。安贞医院朝阳及通州两院区的门诊、病房、急诊及体检的应用数据显示，该系统对心脏超声描述的识别准确率达92%，

诊断提示正确率达96%。l

分路径评估经过心电图、心脏彩超、血脂血糖等基础检查后，心内科医生将通过患者是否具备典型症状，

判断患者后续采取无创评估还是有创评估。无创评估的首选冠脉CT（影像科）

，该场景下，AI可自动识别CT图像中的冠脉血管并对其命名，

完成曲面重建CPR图像、血管拉直与探针图像，

帮助医生更准确识别斑块的稳定性等。有创评估中以冠脉造影为诊断冠心病的金标准，相关AI主要由DSA设备厂商自行研发。评估环节中主要应用为借助人工智能降噪和增强，保持血管结构同时提高信噪比，部分产品还能在保持图像质量的前提下显著降低造影剂用量。在此环节，SYNTAX评分作为心血管领域的重要工具，在评估冠状动脉疾病复杂程度、冠心病治疗方案选择的过程中至关重要。长期以来，该评分的执行情况依赖于临床专家的自我学习及经验，由于评分本身的复杂性及主观性，评价结果因人而异。AI

医疗兴起之际，SYNTAX评分的AI化也被予以高度期待，

然而受困于冠脉DSA造影的动态数据形式、复杂的病变方式及病变术语，打造SYNTAX评分的AI系统拥有极高的门槛。目前，行业已经出现了相关AI应用。譬如：

悦唯医疗与清华大学和北京邮电大学等高校成功研发的AISYNTAX评分系统，

实现了从数据清洗、标注，到算法建立全程自主创新，也是全球首款全自动SYNTAX评分工具。该系统依托北京安贞医院丰富的专家资源及超过2W条真实脱敏数据，自上线以来一直保持临床使用未出现一例漏掉的卓越成绩。

目前，系统已成功落地78家医疗机构。16资料来源：调研访谈、公开信息在这一场景中，AI的核心价值不在于提升手术效率，而在于提升手术效益，让患者能够避免进行不必要的支架植入，提高支架植入率，降低术后血管再狭窄风险等。以AI+IVUS为例，AI能够精准识别处理标准血管切面，进而得到更为精准的结构性测量和功能学测量

，还能将解读时间从传统10-15

分钟压缩至

3-5

分钟，

一定程度提升手术效率。但受制于数据体量影响，

目前AI仅在常见术式中能够提供较高准确率的判断结果，仍有较大幅度提升空间。要推动其他术式的智能化应用，需要更多医院建立更为丰富的数据库，

为AI的训练提供支持。图表

9

心内科各应用场景

AI服务商在冠脉CT后进行CT-FFR能够借助CTA提供的解剖信息，补充功能学评估，判断精准患者是否需要导管介入。科亚医疗曾凭借AI在CT-FFR

中的应用拿下首个内含“深度学习”的AI三类医疗器械，但该评估在影像科进行，这里不做过多讨论。l

介入治疗路径在介入治疗场景中，AI能够配合DSA、OCT、IVUS进行手术规划、手术导航、血管分割等应用，具体应用场景及应用效果如下：图表

8

介入治疗场景中的人工智能应用对比172.2.2

心内科人工智能的实际商业价值分析尽管AI在心脏相关疾病的诊断中实现了全面应用，但在不同场景的心脏AI在商业化环节形成明显分化。得益于全国心血管疾病管理能力评估与提升工程，近年新增大量胸痛中心，绝大多数中心都在建设“心电一张网”中广泛采购AI，标的成交价普遍在1000万左右（含软硬件），属于政策驱动的商业化路径。相比之下，诊断、治疗过程应用的AI多以合作的形式进入心内科，

少有医院愿意直接购置AI解决方案。造成这一现状的核心原因在于“价值分歧”。DSA、IVUS、OCT既能提升手术效果，又能减少支架等高值耗材的使用，

降低患者的支出，

为患者带来极大的价值。但对于医疗机构而言，AI在辅助

IVUS/OCT分析

、

DSA导航配准时可能会延长医生手术时间，

增加医生射线暴露，

不符合医生的利益。现阶段医保支付体系很少专门为AI立项，

仅部分城市对个别项目制定了相应报销政策（如山东省曾有案例报销小儿先天性心脏病相关AI，

报销比率为70%），

大部分AI需要患者自费购买相关项目。调研中医生没有给出具体的数据，但都表示患者愿意自费使用导航、规划等AI的比例非常低，

医院投入回报期较长。此外，检查、诊疗类AI的价格通常在百万级，在高值耗材集采、CT检查费用下降的形势下，

非顶级三甲医院常常难以负担相关费用。不过在本次调研的医生看来，

心脏相关AI

依然存在以下商业的可能。硬件投入向软件投入转移：

集中采购及国产设备加入竞争压低了医院在硬件上的支出，剩下的部分可能向患者价值显著的AI应用转移

。例如，

国产IVUS的竞争有效压低了

IVUS的价格，补充采购相关AI可以明显提效提质，

符合医院的利益。医保支付向患者支付转移：

影像AI一直坚持以医疗器械的方式进行审评审批。如果这一医疗器械能够显著改善患者治疗效果，那么医院愿意鼓励部分患者以自费（类似于自费进口器械的逻辑）的方式进行支付（AI

支持下的

CT-FFR

一直沿用这一方式，但

CT-FFR属于检查环节，若在治疗环节能够找到更有效的应用，

可能跑通这一模式）。配合高价设备、术式销售：AI可配合ICD（植入式心律转复除颤器，费用8万—20万）、

CRTD（心脏再同步治疗除颤器，

费用15万—30万）销售

。此类设备使用量大，

且医保负担后依然需要患者自费数万费用，

因而AI的费用对于患者是可以接受的，较小费18用比例提升便能收获更精准的治疗。同样逻辑下，

消融

、房颤等手术患者自费总额较高，若AI能够带来明显的价值提升，也能借助“疗效”，跑通医保外的商业化路径。2.3骨科：

高度契合机器人应用，

率先实现AI规模化落地骨科包含了众多细分科室，例如脊柱外科、创伤骨科、关节外科、运动医学、手足外科、骨肿瘤科和骨科康复等，一名患者随着病情的发展可能会在多个科室就诊。就整体的就诊情况而言，骨科的疾病主要囊括三大类型，第一类是颈椎、脊柱和腰椎的疼痛或突出；第二类是关节的退行性或创伤性疾病；第三类是骨折。三大类就诊量较为平均。病种类型不同，意味着治疗方式、治疗难点不同。针对颈椎、脊柱和腰椎的疼痛或突出，以及退行性的关节疾病，按照指南通常先采取保守治疗，例如生活方式干预、药物辅助等，反复治疗无效则考虑手术治疗；而创伤性关节疾病、骨折及骨肿瘤大多是手术治疗。图表10骨科常见疾病类型及治疗方案资料来源：调研访谈为更好地探究骨科医生在临床工作中AI的应用现状，

我们将以包含手术的疾病治疗流程为主深入解析临床各工作环节及场景中医疗AI的价值。据调研，骨科医生的临床工作（科室管理职务除外）大致可以分为疾病治疗、医疗服务、自我提升三大类别。19资料来源：调研访谈疾病治疗囊括了疾病诊断、治疗方案制定、手术规划与执行以及术后康复管理等细分板块

，作为临床医生最为重视的首要工作板块，疾病治疗领域也就自然迎来了众多AI技术的加入。医疗服务主要包括患者沟通、术前术后教育、费用管理等；而自我提升以科研为主。对于临床医生而言，各环节的难度（包括专业难度及压力程度）和耗时程度不同，总的来说，难度越大且耗时越久的环节，AI应用的商业化进程更靠前。图表12骨科医生主要工作环节的难度及耗时程度资料来源：调研访谈（圆圈颜色越深代表商业化越成熟）2.3.1骨科人工智能应用分布l诊断环节：AI

多为锦上添花，

商业化还有一段路要走。图表11骨科临床医生日常工作拆分20在疾病诊断板块，AI的应用渗透率极高，但商业化落地寥寥无几。据调研，骨科的诊断高度依赖影像资料，

且CT影像即可满足大多数骨科诊断的需求。除了诊疗量骨肿瘤之外

，其余骨科疾病诊断的逻辑清晰明了。数据标准化程度高、数据运用逻辑清晰，这些特性使得该环节十分契合AI应用的特性，这解释了其高渗透率的缘由。再观其价值，骨肿瘤外的骨科疾病的诊断相对简单、耗时有限，在此背景下，AI只能为医生“锦上添花”，

因此医院付费意愿有限。l

治疗环节：AI“价值型”益处优先实现商业化。调研发现，在手术规划环节，3D建模及3D打印等AI辅助工具较AI手术规划类软件更受欢迎。3D建模及3D打印等AI辅助工具可作为医生的“第三只眼”，让手术规划更加“有理有据”，减少“经验”部分；它的加入还极大降低了医患术前沟通的难度，确保信息传达到位；

此外，

直观的手术规划还能帮助年轻医生有效缩短学习曲线。手术规划类软件虽然临床医生并不能依赖其进行规划，但越来越多的临床医生开始尝试使用且享受其帮助。由于医生之间的手术理念存在天然差异，同样的